简介

E-HPC不仅支持工业/科研行业的高性能计算作业，还可以支持机器学习类作业，本文档介绍在E-HPC上部署和执行TensorFlow作业的基本流程。

本案例使用的Perseus是阿里云提供的一种统一支持Tensorflow、Caffe、MXNET、PyToch的分布式训练的深度优化框架，目的是为了机器学习提速，提升训练效率。部署Perseus的同时会自动部署TensoFlow框架。

本案例测试程序为tensorflow benchmarks，E-HPC集群创建完成后，存放在/root/perseus-tf-vm-demo目录中。

创建E-HPC集群并适配Persues环境

目前，Persues已经集成在E-HPC产品中，若在E-HPC适配Persues运行环境，需要在E-HPC创建过程完成以下几步：

1）创建集群时，在【硬件配置】中选择【计算节点】 时，选择带有NVIDIA P100 GPU的实例，如下图所示:

2）在【软件配置】下，【镜像类型】选择 镜像市场，【操作系统】选择 阿里ai云加速镜像Perseus v0.9.3r3

示例程序测试

待集群启动后，可以通过以下几个步骤进行示例的测试：

1）拷贝测试程序：perseus-tf-vm-demo 示例程序存放在镜像的/root目录下。运行时，可以将perseus-tf-vm-demo从/root目录中拷贝到自己普通用户的家目录下（可以用root用户登录执行），并改为普通用户的属主、属组。

$ cd /root
$ cp  -r ./perseus-tf-vm-demo  /home/username/
$ cd /home/username
$ chown -R username:users  ./perseus-tf-vm-demo

2）编写PBS作业脚本：普通用户模式登录管控节点，在perseus-tf-vm-demo文件下有两个文件：benchmarks和launch-example.sh。可以创建以下test.pbs作业脚本启动测试程序。

$ cat test.pbs
#! /bin/bash
#PBS -N Perseus    
#PBS -l nodes=x:ppn=y 
#PBS -o perseus_pbs.log
#PBS -j oe
cd $PBS_O_WORKDIR
nodefile=`cat $PBS_NODEFILE|uniq -d |awk -F "." '{print $1}'`
sh launch-example.sh  x  z  $nodefile

其中，x 为申请计算节点数量，y为每计算节点cpu核数 , z 为每节点gpu卡数量

3）提交作业：通过qsub提交PBS作业，此时作业由调度系统调度执行。

$ qsub  test.pbs

运行结果及分析

1）当计算节点数量为1时，每节点gpu卡为1，运行后的结果可以作为基准。图表示在tensorflow环境但节点下每秒钟处理292.57张图片。

? 当计算节点数量为1，每节点gpu卡为2，即单机多卡计算时：

? 当计算节点数量为2，每节点gpu卡为1，即多机分布式计算时：

2）结果分析

多卡并行效率 =  (total imgages/sec)  ／基准 ／ gpu总数量 ／ 节点数量
           = （（568.45+568.44）／2）／ (292.57) ／2 ／1 
           = 0.9714

当Perseus 框架下的benchmarks程序运行在同一节上不同gpu配置的情况下，以单节点1gpu卡配置运行的结果为基准，通过计算其并行效率，可以分析出相对于基准，单计算节点2gpu卡配置的计算性能损耗。

多机并行效率 =（多节点 total images ／sec）／ 基准 ／ 节点数量
           =（（544.36+544.36）／2 ）／ （292.57）／ 2 
           = 0.9303

当Perseus 框架下的benchmarks程序运行在不同节点数量上每节点相同gpu配置的情况下，以单节点1gpu卡配置运行的结果为基准，通过计算其并行效率，可以分析出相对于基准，多计算节点1gpu卡配置的计算性能损耗。